KI-betriebene Handschriftanalyse kann dazu beitragen, Legasthenie und Dysgraphie bei Kindern zu erkennen

In einer neuen Universität in Buffalo-geführter Studie wird beschrieben, wie künstliche Intelligenz-Handschriftanalyse als frühes Erkennungsinstrument für Legasthenie und Dysgraphie bei kleinen Kindern dienen kann.

Die in der Zeitschrift präsentierte Arbeit SN Informatikzielt darauf ab, aktuelle Screening-Tools zu erweitern, die effektiv sind, aber kostspielig, zeitaufwändig sein können und sich jeweils nur auf eine Bedingung konzentrieren können.

Es könnte schließlich eine Salbe für den landesweiten Mangel an Sprachpathologen und Ergotherapeuten sein, die jeweils eine Schlüsselrolle bei der Diagnose von Legasthenie und Dysgraphie spielen.

Es ist entscheidend wichtig, diese neurologischen Entwicklungsstörungen frühzeitig zu erfassen, um sicherzustellen, dass Kinder die Hilfe erhalten, die sie benötigen, bevor sie sich negativ auf ihr Lernen und ihre sozio-emotionale Entwicklung auswirkt. Unser ultimatives Ziel ist es, das frühe Screening auf Legasthenie und Dysgraphia zu optimieren und zu verbessern und diese Tools, insbesondere in unterversorgten Bereichen, weiter verfügbar zu machen. „

Venu Govindaraju, PhD, korrespondierender Autor der Studie, SUNY Distinguished Professor, Abteilung für Informatik und Ingenieurwesen bei UB

Die Arbeit ist Teil des National AI Institute for Access Education, einer von UB geführten Forschungsorganisation, die KI-Systeme entwickelt, die kleinen Kindern mit Sprach- und Sprachverarbeitungsstörungen identifizieren und helfen.

Baut auf früheren Handschrifterkennungsarbeiten auf

Vor Jahrzehnten haben Govindaraju und Kollegen bahnbrechende Arbeiten bei maschinellem Lernen, Verarbeitung natürlicher Sprache und anderen Formen der KI durchgeführt, um Handschrift zu analysieren, ein Fortschritt, den der US -Postdienst und andere Organisationen immer noch zur Automatisierung der Sortierung von Post verwenden.

Die neue Studie schlägt einen ähnlichen Rahmen und eine ähnliche Methode vor, um Rechtschreibprobleme, schlechte Buchstabenbildung, Schreibprobleme und andere Indikatoren für Legasthenie und Dysgraphie zu identifizieren.

Ziel ist es, auf früheren Forschungen aufzubauen, die sich mehr auf die Verwendung von AI zur Erkennung von Dysgraphie (die weniger häufigen der beiden Bedingungen) konzentriert haben, da es physikalische Unterschiede verursacht, die bei der Handschrift eines Kindes leicht zu beobachten sind. Legasthenie ist schwieriger auf diese Weise zu erkennen, da sie sich mehr auf Lesen und Sprache konzentriert, obwohl bestimmte Verhaltensweisen wie Rechtschreibung Hinweise bieten.

Die Studie stellt auch fest, dass es an Handschriftbeispielen von Kindern mangelt, mit denen KI -Modelle ausbilden können.

Sammeln von Proben von K-5-Schülern

Um diese Herausforderungen zu bewältigen, sammelte ein Team von UB-Informatikern unter der Leitung von Govindaraju Einblicke von Lehrern, Sprachpathologen und Ergotherapeuten, um sicherzustellen, dass die von ihnen entwickelten KI-Modelle im Klassenzimmer und in anderen Umgebungen lebensfähig sind.

„Es ist von entscheidender Bedeutung, diese Probleme zu untersuchen und AI-verbesserte Tools aus dem Standpunkt der Endbenutzer aus zu erstellen“, sagt die Co-Autorin Sahana Rangasrinivasan, eine Doktorandin des UB-Abteilung für Informatik und Ingenieurwesen von UB.

Das Team war auch mit dem Co-Autor der Studie, Abbie Olszewski, PhD, Associate Professor für Alphabetisierungsstudien an der Universität von Nevada, Reno, zusammen, der die Dysgraphia- und Legasthenie-Verhaltensindikatoren-Checkliste (DDBIC) gemeinsam entwickelte, um Symptome zu identifizieren, die sich zwischen Dysultimie und Dysgraphien überlagten.

Das Team sammelte Papier- und Tabletten -Proben vom Kindergarten bis zur 5. Klasse an einer Grundschule in Reno. Dieser Teil der Studie wurde von einem Ethikausschuss genehmigt, und die Daten wurden anonymisiert, um die Privatsphäre der Schüler zu schützen.

Sie werden diese Daten verwenden, um das DDBIC -Tool weiter zu validieren, das sich auf 17 Verhaltenshinweise konzentriert, die während und nach dem Schreiben auftreten. Training AI -Modelle, um den DDBIC -Screening -Prozess abzuschließen; und vergleichen Sie, wie effektiv die Modelle mit Personen verglichen werden, die den Test durchführen.

Arbeit betont KI für das öffentliche Gute

Die Studie beschreibt, wie die Modelle des Teams verwendet werden können:

• Erkennen Sie motorische Schwierigkeiten, indem Sie Schreibgeschwindigkeit, Druck und Stiftbewegungen analysieren.
• Untersuchen Sie visuelle Aspekte der Handschrift, einschließlich Buchstabengröße und Abstand.
• Handschrift in Text konvertieren, Fehlspellings, Briefumkehrungen und andere Fehler erkennen.
• Identifizieren Sie tiefere kognitive Probleme auf der Grundlage von Grammatik, Wortschatz und anderen Faktoren.

Schließlich wird ein Tool erörtert, das alle diese Modelle kombiniert, ihre Ergebnisse zusammenfasst und eine umfassende Bewertung bietet.

„Diese anhaltende Arbeit zeigt, wie KI für das öffentliche Wohl verwendet werden kann, um Menschen und Dienstleistungen für Menschen anzubieten, die sie am dringendsten benötigen“, sagt der Co-Autor Sumi Suresh, PhD, einem Gastwissenschaftler bei UB.

Weitere Co-Autoren sind Bharat Jayarman, PhD, Direktor des Amrita Institute of Advanced Research und Professor Emeritus im UB Department of Computer Science and Engineering. und Srirangaraj Setlur, Hauptwissenschaftler am UB Center für einheitliche Biometrie und Sensoren.

Quellen: